Fundamentos de Ciencia de Datos con Python y SQL 專項課程

¿Cuáles son algunas de las herramientas de ciencia de datos más populares, cómo las usa y cuáles son sus características? En este curso, aprenderá sobre Jupyter Notebooks, RStudio IDE, Apache Zeppelin y Data Science Experience. Aprenderá para qué se utiliza cada herramienta, qué lenguajes de programación pueden ejecutar, sus características y limitaciones. Con las herramientas alojadas en la nube en Cognitive Class Labs, podrá probar cada herramienta y seguir las instrucciones para ejecutar código simple en Python, R o Scala. Para finalizar el curso, creará un proyecto final con un Jupyter Notebook en IBM Data Science Experience y demostrará su competencia preparando un cuaderno, escribiendo Markdown y compartiendo su trabajo con sus compañeros.

En este curso aprenderá cómo comenzar rápida y fácilmente con la Inteligencia Artificial utilizando IBM Watson. Comprenderá cómo funciona Watson, se familiarizará con sus casos de uso y ejemplos de clientes de la vida real, y se le presentarán varios de los servicios de inteligencia artificial de Watson de IBM que permiten a cualquiera aplicar fácilmente la inteligencia artificial y crear aplicaciones inteligentes. También trabajará con varios servicios de Watson para demostrar la IA en acción.

Este curso no requiere ninguna experiencia en programación o ciencias de la computación y está diseñado para cualquier persona, ya sea que tenga una formación técnica o no. Esta es una traducción al español de un curso que se creó originalmente en inglés. Muchos de los componentes del curso se han traducido al español, incluidos títulos de lecciones, transcripciones de videos, lecturas, instrucciones de laboratorio y cuestionarios. Sin embargo, algunos componentes del curso, incluidos los videos originales y su narración, todavía están en inglés.

Este curso de Estadística para la Ciencia de Datos está diseñado para presentarle los principios básicos de los métodos y procedimientos estadísticos utilizados para el análisis de datos. Después de completar este curso, tendrá conocimientos prácticos de temas cruciales en estadística que incluyen: recopilación de datos, resumen de datos utilizando estadísticas descriptivas, visualización de datos, examen de relaciones entre variables, distribuciones de probabilidad, valores esperados, pruebas de hipótesis, introducción a ANOVA (análisis de la varianza), análisis de regresión y correlación. Adoptará un enfoque práctico para el análisis estadístico utilizando Python y los Notebooks Jupyter, las herramientas elegidas por los científicos y analistas de datos.

Al final del curso, completará un proyecto para aplicar varios conceptos en el curso a un problema de Ciencia de Datos que involucre un escenario inspirado en la vida real y demostrará una comprensión del pensamiento y razonamiento estadístico fundamental. El objetivo es desarrollar una comprensión clara de los diferentes enfoques para diferentes tipos de datos, desarrollar una comprensión intuitiva, realizar evaluaciones apropiadas de los métodos propuestos, utilizar Python para analizar nuestros datos e interpretar el resultado con precisión. Este curso es adecuado para una variedad de profesionales y estudiantes que deseen comenzar su viaje en roles basados en datos y estadísticas, como Científicos de Datos, Analistas de Datos, Analistas de Negocios, Estadísticos e Investigadores. No requiere ningún conocimiento de informática o estadística. Recomendamos encarecidamente tomar el curso Python para Ciencia de Datos antes de comenzar este curso para familiarizarse con el lenguaje de programación Python, los notebooks Jupyter y las bibliotecas. También se proporciona un repaso opcional en Python. Después de completar este curso, un alumno podrá: ✔Calcular y aplicar medidas de tendencia central y medidas de dispersión a datos agrupados y no agrupados. ✔ Resumir, presentar y visualizar datos de una manera clara, concisa y que proporcione una visión práctica para los no estadísticos que necesitan los resultados. ✔Identificar las pruebas de hipótesis apropiadas para usar en conjuntos de datos comunes. ✔ Realizar pruebas de hipótesis, pruebas de correlación y análisis de regresión. ✔ Demostrar competencia en análisis estadístico utilizando Python y Notebooks Jupyter.